Learning optimal objective values for MILP

要約

最新の混合整数線形計画法 (MILP) ソルバーは、分岐限定アルゴリズムと、検索を高速化する多数の補助コンポーネントを併用します。
近年、これらのアルゴリズム コンポーネントを強化およびサポートするための機械学習の使用が爆発的に発展しています。
この方針の中で、最適な目標値を予測するための方法論、または同等に、現在の既存企業が最適かどうかを予測するための方法論を提案します。
このタスクでは、一連の動的特徴とともに、グラフ ニューラル ネットワーク (GNN) アーキテクチャに基づく予測子を導入します。
さまざまなベンチマークでの実験結果は、予測タスクで高い精度を達成し、既存の手法を上回る、私たちのアプローチの有効性を示しています。
これらの発見は、ML 主導の予測を MILP ソルバーに統合し、より賢明な意思決定とパフォーマンスの向上を可能にする新たな機会を示唆しています。

要約(オリジナル)

Modern Mixed Integer Linear Programming (MILP) solvers use the Branch-and-Bound algorithm together with a plethora of auxiliary components that speed up the search. In recent years, there has been an explosive development in the use of machine learning for enhancing and supporting these algorithmic components. Within this line, we propose a methodology for predicting the optimal objective value, or, equivalently, predicting if the current incumbent is optimal. For this task, we introduce a predictor based on a graph neural network (GNN) architecture, together with a set of dynamic features. Experimental results on diverse benchmarks demonstrate the efficacy of our approach, achieving high accuracy in the prediction task and outperforming existing methods. These findings suggest new opportunities for integrating ML-driven predictions into MILP solvers, enabling smarter decision-making and improved performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google